单GPU把内球树构建提速2.6倍，碰撞检测飙到55.89 FPS！
Fast Construction of Inner Sphere Trees Using Machine Learning
📖 AI 总结
该论文针对复杂非凸物体碰撞检测中内球树（IST）构建耗时且只能串行处理的问题，提出基于机器学习的ML-IST方法。该方法将叶球生成重构为单次集合预测任务：网络从多通道体素几何中预测一组内接球候选，利用可微覆盖反馈修正粗预测并在更细尺度上填补残余空隙，再通过轻量几何投影保证有效性。实验显示，在64至512个球的目标容量下，单GPU实现相比单核CPU构建将平均叶球生成时间缩短2.0至2.6倍；复杂模型上生成的球分布呈现多尺度特征，能贴合主体体积与细长结构。作者还将该方法集成到Jolt Physics和Bullet引擎，在alpha-puzzle基准上达到55.89 FPS，优于传统IST、GImpact和凸分解。结果表明，学习式叶球生成可作为快速运行时构建精细碰撞表示的有效组件。
🔑 关键词速览
| Inner Sphere Trees (ISTs) | 一种用于复杂物体碰撞检测的层次包围球数据结构，通过内接球表示物体体积。 |
| ML-IST | 本文提出的基于机器学习的内球树构建方法，将叶球生成视为集合预测问题。 |
| Set-prediction problem | 机器学习中的一种问题形式，模型直接输出一个集合而非单个值，适用于生成一组球体。 |
| Differentiable coverage feedback | 一种可微的反馈机制，用于指导网络修正预测并填补覆盖间隙。 |
| Convex decomposition | 将非凸物体分解为多个凸部分的几何表示方法，常用于碰撞检测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅